为了响应国家普惠制贷款政策，大多数城商行纷纷推出创新性的普惠贷款金融产品，并积极探索推进智能风控体系在普惠金融产品中的应用。在智能风控体系应用中，以部分头部城商行为代表的领先者充分利用既有的内部评级模型， 已逐步建立起相对可靠的小微企业信用风险评价体系，但大多城商行由于技术、数据等问题，仍处在智能风控模型应用探索追赶的阶段。本文主要针对某城商行在小微企业群体进行风险定价和限额测算方面的不足，研究以内部评级模型为基础的改进和完善方案。
1
研究背景与意义
受新冠疫情和节能减排等影响，我国小微企业的生产经营、运营周转正面临着严峻挑战，对贷款需求也尤为迫切。为促进地区生产、维持市场繁荣稳定，近年来，我国已经把“普惠金融”上升为国家战略，中国人民银行、银保监会均多次出台相关政策，支持小微企业的融资。各商业银行纷纷出台有特色场景的普惠金融产品，以满足不同类型小微企业融资需求，为国家小微企业战略奠定了坚实的金融基础，但是金融企业为小微企业提供金融服务过程中面临的企业经营风险高、无合适风险缓释措施、授信敞口制定、风险定价匹配性等方面仍存在许多问题。
1. 中小城商行急需构建普惠金融风控模型
小微企业的增加对于商业银行而言，风险和机遇并存，一方面小微企业信用评级低，存在较高的授信风险 ；另一方面，小微企业拥有迫切的贷款需求和海量的市场。针对小微企业，在控制风险的基础上来满足企业的贷款需求将会获得企业和银行“双赢”的局面。同时将最大限度地激发市场活力、稳定市场繁荣。因此，针对小微企业构建一个行之有效的风险控制模型显得尤为重要。
常见的风控模型有基于评分卡的风控模型、基于机器学习的风控模型和基于深度学习的风控模型。其中，评分卡模型分为统计模型和主观评价模型，分别基于数据驱动和专家打分来选取指标、确定指标权重和指标得分，最终的风险得分为各个指标得分的加权和，评分卡模型具有可解释性、可单独建模的优点。基于机器学习和深度学习的风控模型则需要基于大样本量数据加以驱动，具有样本容错性高、预测准确精度高等优点。
本研究一方面针对小微企业信用评分完善内评模型的系统应用，一方面进行内评模型应用的拓展和创新，为后续模型优化完善提供思路。本研究侧重于评级模型的实际业务应用，主要领域涉及风险定价模型、授信测算模型和投资收益模型，并根据小微企业所属地区的地域行业特征进行模型改进创新，使得最终模型贴近实际。
2. 普惠金融风控模型研究的重点和特点
普惠制金融主要服务于小微企业和农村地区，通过低利率的贷款服务让利于民。本模型学习总结了目前商业银行小微金融风险控制的主要理论，并对其实践效果进行了分析和评价。为了进一步加强涉农小微企业的信贷投放支持力度，该城商行实施差异化授信政策，优先安排涉农小微企业授信规模，重点做好涉农小微企业的信贷投放工作。
针对小微企业区域特点，该城商行相继推出了以税务、“三农”等场景的普惠金融产品。由于小微企业存在更高的信用风险，构建完善的风险管理体系势必成为推广普惠制金融的核心环节。为了有效控制风险，该城商行主动引入风险缓释措施支持授信；同时，对每一种产品构建评分卡模型，并对每一个企业进行打分和等级评定。通过内部评级模型的建立和完善有效支持了包括小微企业在内的信贷评级和信贷资金投放，为风险管理和决策提供了理论和数据支撑。
内部评级模型主要基于企业和个人的基础信息和信贷数据进行等级评定和管理应用。根据不同用户群体分为零售产品和对公产品，在此基础上结合贷款用途进一步细分出各项子产品。针对每种子产品，内评模型均建立了一个或多个评分卡模型。对于不同敞口产品，评分卡模型的建立一方面基于银行历史存量数据进行统计分析构建出统计模型，一方面基于专家评分构建主观模型。评分卡模型为该产品各个子指标所占权重和指标得分的加权和，权重的确定由统计数据求解或者主观评价赋值，指标得分则是根据实际客户指标表现进行确定。对公产品指标分为财务指标和非财务指标 ；零售产品指标分为信用指标和基本信息指标。评分卡可以较为直观地反映客户的综合风险得分并将其作为风险定价、授信测算、风险偏好等应用场景的理论依据。针对不同产品敞口，可以得到评分与风险等级的映射关系，依据不同敞口产品存量数据获取到风险等级分布。
目前，大多数城商行内评模型着重对评分卡模型进行了构建，并初步制定了客户准入标准和授信限额测算框架，其他方面应用尚不完善。同时，授信限额测算与实际业务偏离较为严重，本研究以小微企业为例针对系统应用进行分析研究，进一步完善系统深层次和精确性应用。本研究从风控模型的角度出发，对系统未来应用方向进行补充，为指导行内风险控制智能化、系统化应用打下基础。
3. 普惠金融风控模型研究方法
本文研究依托于该城商行已有内部评级模型体系，结合大量国内外文献和专家意见系统性分析了信用评分在风险定价、授信测算、投资策略等方面的应用。在新巴塞尔资本协定和全球经济紧缩的背景下，风险控制在银行中发挥着越来越重要的作用 , 风控模型应用也得到了进一步的发展创新。本文研究对象为该城商行授信小微企业，采用数理统计、模型构建、对比分析等方法，优化计算得到最终的风险定价模型和授信测算模型。
2
研究方法
1.风险定价模型
风险定价模型主要从市场风险控制、信用风险控制和适应市场环境的角度，对不同客户制定不同的贷款执行利率。风险定价模型的应用在银行风险化解、投资回报中具有重要意义，也是智能风控的必然要求。利率决定理论主要有古典利率理论、流动性偏好理论、可贷资金利率理论和 IS-LM 利率理论，基于上述理论人们已经建立起较为成熟的利率制定标准。同时，信贷配给理论表明贷款的利率超过贷款利率临界点时，贷款人会选择信贷配给，尽可能多地了解借款人的资信和存在的风险，力求做到信息对称，选择适合的放款对象，而不会继续提高利率水平。贷款定价受宏观经济、央行基准利率、客户关系、存款利率和贷款时间等诸多因素制约。目前国际上常用的贷款利率定价模型有基准利率加点定价模型、成本加成定价模型、客户盈利分析定价模型、基于 RAROC（风险调整资本收益率）定价模型和 EVA（ 经济增加值） 定价模型。本研究依托内评模型现有评分规则并结合上述定价模型优点提出基于基准利率的改进模型和 RAROC 改进模型。
1.1基于基准利率定价的改进模型
基准利率模型也称为价格领导模型，在确定基准利率后进行风险溢价加点或进行风险溢价数相乘，最终确认贷款价格。目前应用的基准利率法较为粗糙，且风险溢价系数的确定缺乏统一标准。贷款业务中常见风险有信用风险、行业风险和政策风险，本研究根据上述将对风险溢价系数进行细化，信用风险可以用信用评级得分进行测算，行业风险和政策风险可以通过考量行业宏观发展状况和国家行业导向进行测算，在此根据不同行业的资本保值增长率倒数对市场风险和政策风险进行计算；本文引入信用评分和行业影响因素来改进贷款定价模型，具体地，贷款利率基于贷款基准利率，信用风险调节系数，行业风险调节系数，政策风险调节系数的乘积确定。
信用风险调节系数为信用评分与贷款利率的函数映射关系，信用评分的高低体现了企业违约概率的可能性。一般而言，信用评分等级与违约概率呈现金字塔等级分布，即信用评分越高，企业违约概率越小。结合现有文献研究，基准利率模型基于央行基准利率向上调节且调整上限不超基准利率的两倍，因此信用评分所映射的信用风险调节系数取值区间为[1.05,2.05]。结合违约金字塔原理，本文通过指数函数来拟合信用风险得分与信用风险调节系数。通过不同敞口下数据的测算，批发零售业、制造业和商贸服务业风险调节系数随风险得分变化曲线如图1所示。
行业风险调节系数在此定义为资本保值增长率的倒数，资本保值增值率是财务部制定的评价企业经济效益的十大指标之一，表示期末所有者权益与期初所有者权益的比值，反映了企业资本的运营效益与安全状况。资本保值增长率指标越高，表明企业的资本保全状况越好，所有者权益增长越快，债务人的债务越有保障，越有利于企业发展。资本保值增长率按照企业所属“国标二级行业分类”和“企业规模人行”取《企业绩效评价标准值》中对应行业和规模的资本保值增长率的近两年平均值进行计算。经计算，不同行业对应的行业风险调节系数如表2所示，
政策风险调节系数由国家政策和银行政策共同制定，一方面对涉农贷款和节能环保产业实行优先支持和普惠让利政策；另一方面对高耗能高污染企业实行加息和政策性压缩。结合现有研究和银行实际，最终确定不同行业对应的政策风险调节系数如表3所示，
1.2 基于RAROC定价的改进模型
贷款定价的基本原则是要保证贷款利率可以充分抵补银行所承担的风险，确保信贷资产的盈利性和安全性。目前国内业界普遍采用成本加总法开发贷款定价模型，银行同业则主要采用基于经风险调节后收益的计算方式。同时，RAROC 模型不受商业银行规模大小影响，不依赖于基础利率，可以对各种客户进行贷款定价，并且对金融市场要求不高，较为适合于中小企业的贷款定价。
20世纪70年代，布雷顿森林体系的崩溃引发了金融危机，也加快了经济全球化的步伐，与此同时商业银行的金融风险也随之增大，因此商业银行的关注点集聚在如何进行风险管理上，逐步由原来的追求账面资产收益率的粗放型经营模式转变为以风险管理为核心的追求风险补偿的新型经营模式，在此背景下，RAROC风险管理模型应运而生，最先由美国信孚银行建立。RAROC模型是为了加强银行的信贷风险管理以及评估银行信贷资产组合的风险而提出的风险管理模型。随着在商业银行实际运用中RAROC不断进行改进，目前已被许多国际商业银行作为核心风险管控模型，RAROC指标成为重要的风险定价指标。
RAROC 贷款定价模型的主要思路是：首先以违约概率度量为核心建立给予客户和债项的二维评级系统，进一步计算贷款的风险成本和经济资本，然后通过存款利率以及存款管理成本确定资金成本，计算管理费用以及业务费用确定经营成本，最后根据银行董事会或贷款决策委员会确定的最低资本收益率，通过贷款定价来保证贷款收入扣除三项成本费用后还能保证目标利润率的实现。其中风险成本为预期损失，通过客户的风险暴露、违约概率和违约损失率进行计算；经济资本为非预期损失是以违约概率为核心进行计算。
RAROC贷款定价模型从收益与风险对称性的角度出发，充分考虑了各贷款业务部门的违约率波动风险不同，使贷款定价与风险具有相对称的思想，有利于银行贷款客户的优化和承担风险的合理性。RAROC贷款定价对资本充足率给予高度重视，充分考虑违约概率、预期损失率和非预期损失率，符合巴塞尔资本充足监管的要求。利用RAROC倒推出贷款利率作为贷款的最低定价，这种方法的资金成本以自身负债为基础，忽略了客户信用的变化。我们将探索RAROC定价的改进方法，引入信用评级变化对贷款利率的补偿。在模型中增加信用评级变化，使得贷款期间的贷款利率实现动态变化。即引入信用风险变化对贷款利率的调整项，当借款人随着经营状况改善，信用评级升高或者下降时，可相应调整贷款利率；当信用评级不变时，维持原贷款利率。随着借款人经营状况得到改善，可能会出现借款人因贷款利率过高而故意逃避银行账务的风险，加入信用风险调整项，实现了对贷款定价模型的动态调整，融合了客户信用变化的影响，一定程度上弱化了银行与借款人之间信息不对称的问题。另一方面也体现出对中小微企业的关照与扶持，最大可能地降低了中小微企业的贷款利率，降低其运营成本。
2.限额测算模型
该城商行内评模型原有限额测算机制主要以小微企业净资产为主要基础值，结合信用评级、负债和行业发展情况进行限额测算。原有测算方法对于不同信用等级的小微企业区分度较低，即信用等级与调节系数采用简单的线性调节方式，最终使得模型易于达到测算额度上限。因此，本章节将对现有比较流行的中小微企业限额测算办法进行一些对比，寻找最优的授信测算方式。
2.1 基于内评模型的授信测算模型
该城商行内评模型现有的授信额度测算模型中涵盖行业负债权益比、客户负债权益比、有效净资产、行业带息负债比率、客户评级系数等多个指标，以净资产为基础授信，将行业负债权益比、客户负债权益比和客户信用评级系数所对应的数值区间进行乘积得到最终授信额度。上述因子主要涉及客户财报及外部行业数据，一定程度上反映了客户的经营状况、偿债能力和行业整体发展情况。客户评级调整系数反映了不同的评级代表不同的风险程度，根据客户评级设置差异化的调整系数。
该限额测算办法是以客户可承担负债总额理论值为基准的风险限额设定办法，较全面地考虑了各方面的影响因素，但结合行运行情况，此限额测算办法受净资产影响过大，测算限额过高并且对不同行业的测算没有显著差别。由于该限额测算模型基于主观调整得出，缺乏实际有效数据的验证，容易与实际产生较大的偏离。
2.2 同业短期授信测算模型
基于内评模型的授信测算模型的基础额度由小微企业净资产确定，未考虑实际资金周转以及经营状况，因此较为容易出现额度测算达到银行规定上限的状况。在此通过对财务报表的精准化分析，充分考量资产现金分布状况，基于同业经验得到短期授信测算模型。基于完整财务报表数据，短期授信测算模型可以反映一定期限内小微企业资金分布状况和资金周转状况。该授信测算模型通过对企业现金流的去向变化，对小微企业的实际资金需求进行测算，从而更加准确地实现额度测算。
2.3 基于统计抽样的授信测算模型
根据文献综述，多数商业银行是通过客户的信用等级、有效净资产与财务杠杆系数来确定其授信额度，李响等人利用394个小微企业实际案例数据，选用 Bootstrap 模拟抽样统计推断方法对构建的小微企业授信额度测算模型进行仿真拟合。通过理论构建多元非线性回归小微企业授信额度测算模型，对模型各个参数根据所起的作用进行贡献分析，并进一步优化模型。根据参数贡献率的分析结果，剔除对模型贡献度较低的指标，对授信额度模型进行优化，得到优化后的授信额度模型为指数函数形式，模型参数涉及净资产、信用等级得分、净资产流动指数、负债指数和效益指数。其中，净资产流动指数表示为流动资产与净资产的比值，负债指数表示为负债总额与净资产的比值，效益指数表示为营业利润与净资产的比值。相比于内评模型原有的测算方式，该模型充分考量了信用等级、资产流动、小微企业负债和效益指数等不同指标对于限额的影响并且通过指数形式映射出来。该模型对于不同信用等级小微企业具有较好的区分度可以根据评级信息进行差异化授信，同时在一定程度上避免了额度测算超银行规定上限的问题。
原模型信用等级分类为9级分类，内部评级系统采用16级分类，在此通过等级关系和违约概率金字塔模型进行分类和分数映射，最终获取16级分类下的分数映射如表4所示。
当获取到等级分数映射关系后，假定净资产流动指数和效益指数均设置为1.0，净资产设置为1万元，当负债指数分别取值0.5、1.0和2.0时，观察最终授信金额与评分等级间的映射关系，则授信金额随信用等级得分的变化趋势如图2所示。
如图2所示，授信金额受信用等级影响较大，且不同等级之间具有较强的区分度。当信用等级良好时可以获取到较高的授信金额，当信用等级较差时，获取的授信金额则较低，在一定程度上有效规避了风险体现差异化授信。目前该模型仍存在一定不足，一方面现有模型参数拟合和最优化的过程是基于原数据进行的，部分业务数据与原数据存在差异，因此该模型可以通过对银行存量数据进行抽样统计和模型优化从而确定最终模型；另一方面，该模型目前尚未考量不同行业发展趋势对于授信政策的影响，在此对模型加以细化，引入行业发展影响因子对模型进行调整。行业发展影响因子用于计算贷款期间预测行业整体发展状况。其计算方式为通过工业品出厂价格指数（PPI）、固定资产投资外部历史统计数据对与之相关的未来发展趋势进行预测。此种方案将行业风险考量到了测算模型当中，可以在一定程度上抵御不确定性风险。工业品出厂价格指数（PPI）、固定资产投资时间序列预测，使用2021年9月前历史数据预测未来一年后数据，并对其累计同比增长进行计算，时间序列预测趋势图如图3所示。
如图3所示，对应各个行业的宏观指标累计同比增长预测曲线，在此行业发展影响因子取贷款期限下的累计同比均值。例如在此预测未来一年内制造工业品累计同比增长均值为1.1038，对于制造业企业而言行业发展因子为1.1038，最终授信金额也随之增加。行业发展影响因子对于不同行业所用的宏观指标是不一样的，并且不同贷款期限下所预测出的均值也有所不同。对于建筑业、房地产业可以用固定资产投资宏观指标加以预测，对于批发零售业可以用零售宏观指标进行预测。
3
结果分析
本研究结果分析根据行内存量客户数据进行数理统计和模型应用分析，通过模型间对比分析的方式确定最优模型。基于上述提出的风险定价和授信测算的改进模型，本文针对小微企业从实际贷款发生数据为例进行模型结果测算。实际中，该城商行批发零售业、制造业和商贸服务业的贷款公司数量和贷款金额所占比重高于其他行业。在此以上述三类行业公司的内评模型真实信用风险得分和财务报表为基准分别进行风险定价模型和授信测算模型的结果分析。
1.风险定价模型结果
1.1 基于基准利率定价的结果分析
按照改进后的基准利率定价模型，假定政策导向均为一般授信类，可以得到实际业务中不同小微企业执行利率如图4所示，
为了进一步验证测算结果的准确性与可用性，比较模型测算结果与实际执行利率不同，在此通过统计部分行业实际台账执行利率均值则有如表5所示。
1.2 基于RAROC定价的结果分析
相比于基准利率模型，RAROC模型数据可获取性以及可操作性存在一定困难，在此仅以已知的完整小微企业信息为例进行测算。假设受理一笔贷款贷款期限为一年，贷款金额为1000万元的贷款申请，假定发放这笔贷款发生的经营成本为10万元，客户的评级结果为BBB-，其对应的违约概率为3.42%，违约损失概率为45%，预测发生经济资本（非预期损失）为60万元，当前的存款利率为2.25%，目标的最低资本收益率为20%。
根据RAROC贷款定价基本公式可得此笔贷款利率为5.968%，现贷款期间，客户经营水平得到改善，企业得到稳步发展。自收集到该信息后，通过内评模型进行重新评级，此时信用评级提高至BBB，对应的违约概率为2.2%，则客户在此评级结果下申请1000万贷款的贷款定价为5.44%，则信用评级调整项为：5.986%-5.44%=0.546%。因此，当该笔业务尚未进行放款并进行重新评级时，贷款定价建议下调0.546%。设定信用评级调整项，对偿债能力提高的客户实施激励，有利于加强风险管理，提高银行的定价竞争水平。
2.限额测算模型结果
2.1 限额测算结果计算
为了比较三种授信测算模型差异，现基于实际业务数据获取小微企业公司财报，分别进行额度测算。小微企业的部分财务数据及评级结果，如表6所示。
如表6所示，不同行业小微企业各项财务数据和信用评级存在较大差异，根据本文的三种限额测算办法，分别对6家小微企业进行限额测算，最终测算额度如下表7所示：
2.2 限额测算改进模型结果
根据基于统计表抽样的授信测算模型添加了行业发展影响因子，基于万得行业指标宏观历史数据，在此对不同行业未来发展因子进行测算。具体测算方法为以季度为单位获取批发零售、制造业等宏观指标，然后使用时间序列模型进行回归预测，预测未来一年或者多年的宏观指标，然后在此基础上计算得到累计同比增长系数，其不同行业小微企业基础财务报表信息如8所示。
如表8所示，预测得到的不同行业累计同比增长未来一年内的均值即为当前各个行业的行业发展影响因子。在此将经过调整后的测算模型得到的测算金额与实际业务给定的人工授信金额进行比较由表9所示。
如表9所示，改进后模型对于实际业务具有较好的指导功能，与实际授信额度较为接近，具有较好的测算功能。为了全面比较三种授信方法对于实际业务的指导性作用，在此将三种模型授信结果与实际人工授信结果进行比较，则有图5所示。
如图5所示，针对于业务数据不同小微企业比较三种授信测算模型测算金额与实际授信金额，三种模型中内评模型测算金额偏高，改进后统计抽样模型与实际人工授信金额最为接近。
模型讨论与思考
1.风险定价模型
对于风险定价模型，本研究分别对基于基准利率加成定价模型和基于RAROC定价模型进行了改进。改进后的基准利率加成模型有效区分了不同行业、不同风险小微企业，实行差异化的定价策略，在提升高信用等级贷款积极性的同时优化了低信用等级企业的贷款风险。此外本研究中所用的行业风险调节系数是基于资本保值增长率来进行计算，目的是反应不同行业区分度进行行业差异化定价策略，该调节因子的确定存在一定主观性，后续研究中可以尝试其他更优指标加以替换。基于RAROC的定价模型充分考量了资金成本和违约损失等因素，从目标盈利的角度进行利率测算。但是该模型经济成本定义求解存在较大主观性，盈利目标确认存在一定困难，因此该模型的实际业务应用受到了诸多限制。
2.授信测算模型
本研究分别基于内评模型的授信模型测算、基于同业短期授信模型测算和基于改进后的统计抽样授信测算得到了三种不同测算额度，并且与人工授信金额进行了比较。基于内部评级的授信模型考量了信用风险、资产负债等指标对企业申请授信额度进行合理化测算，实际业务中该模型对于不同级别企业区分度较差，模型主观性较大且所给予的测算额度较容易超过规定上限。基于同业短期授信测算模型充分考量了短期内企业实际贷款需求、资产分布和现金流量数据，从生产经营的角度考量了企业实际贷款需求，但是该模型对于资金分布依赖性较强，同时容易产生较大的测算偏离。基于统计抽样的授信测算模型通过对贷款企业进行抽样统计和有效性检验，最终确定出测算拟合函数。基于该模型本研究引入了行业发展因子，对于行业未来发展走向进行预测，实际结果表明改进后的抽样统计模型与业务需求较为契合。但行业发展因子的预测选取的宏观指标具有一定主观性，时间序列预测方法也有待进一步完善。
3.投资策略模型
本研究中仅对风险定价和授信测算模型进行了改进和分析，基于信用得分的投资策略和风险偏好研究也是较为重要和热门的方向。
4.模型思考
本研究以城商行内部评级模型的应用方案优化为主要方向，通过优化模型及业务实际数据的结果进行了分析比对，并得出了调整后模型结果相对优化的结论，但是在计算过程中，我们仍应思考以下注意事项，并在未来的内评模型优化及应用研究中进行关注。
首先，城商行信贷资产数据质量需要重视，尤其是一些关键数据，比如财务数据、征信数据等。城商行应关注数据质量的控制，进而提高内部评级模型的高可参考性。
其次，内部评级模型在整个城商行体系中仍处于起步发展阶段，内部评级模型结论的可解释性、可参考性、可调整性等仍存在许多可供讨论的课题，尤其是城商行存在建模能力普遍偏弱的情况，如何破局，仍需进一步思考。
最后，内部评级模型的应用场景研究目前仍处在起步阶段，如何评价内部评级模型在应用场景中的效能、内部评级模型应用场景是否应当规范化，未来仍值得进一步研究。
（作者刘双全为唐山银行监事长，董伟、郭鹏单位为唐山银行）